论文阅读：Semantic Aware Attention Based Deep Object Co-segmentation（ACCV2018）

协同分割论文：Semantic Aware Attention Based Deep Object Co-segmentation（ACCV2018）

论文原文     code

目录

1.简介

2.模型结构

3.实时组协同分割（测试时）

4.缺陷

---

1.简介

引入注意力机制辅助深度神经网络实现协同分割，学习通道间的相关性并进行增强或抑制。在深度神经网络中，越抽象的语义信息往往被被编码在越深的层次中，不同通道包含不同的语义含义。根据这一观察结果，作者认为，通过在深层特征中应用注意力机制(如果一个channel对两图像的特征都有高响应，则强调它，并且抑制其他通道)，可以选择和增强语义信息，从而实现协同分割。在处理多个输入时（组协同），可以把注意力看作是全局语义选择器，而不是成对地考虑语义关系。

贡献：

在我们的模型中，我们使用语义注意学习器关注在所有输入图像中都具有高响应的特征通道，并抑制其他响应值低的特征通道。据我们所知，这是第一次利用注意力机制进行深度图像协同分割。

作者强调该方法能在线性内完成对一组图片的分割，计算要求相比DOCS方法低很多。

我们的模型在多对象协同分割数据集中达到了最先进的性能，并且能够泛化到训练数据集中不可见的对象。

2.模型结构

网络结构主要由编码器、语义注意力学习器和解码器三部分构成。

模型概览：编码器+注意力学习器+解码器。编码器采用VGG１６网络结构，解码器使用上采样方法并在每每个网络层后添加dropout层以防止过拟合。最后输出为两通道，分别代表前景和背景的